feishu-voice#

接收：语音 → 文字#

飞书自动为语音消息生成转写，消息体中自带 Transcript 字段，直接读取即可，无需任何 API 调用。

---

发送：文字 → 语音#

流程#

Step 1. 调用脚本生成语音文件：

text

python scripts/reply.py "<文字内容>"

输出文件路径（格式为 .opus 或 .ogg）。

Step 2. 通过飞书发送语音：

text

message(action=send, channel=feishu, media=<filepath>, contentType="audio/opus")

注：Edge TTS 输出的 .ogg 文件同样使用 audio/opus contentType。

---

MiniMax 语气词（配置了 MINIMAX_API_KEY 时）#

在生成回复文本时主动嵌入以下标记，可让语音更自然：

标记含义使用场景<#0.3#>停顿 0.3 秒逗号后、句子中间(breath)自然呼吸长句中间、句末(sighs)叹气感叹、无奈时(emm)思考语气问句结尾、停顿后继续(clear-throat)清嗓转折、开始说话(laughs)笑声开心、幽默内容(chuckle)轻笑轻松调侃(sniffs)吸鼻子轻微情绪(humming)哼唱愉快、自言自语

规则：

• 标记插入两个有发音文本之间，不可连续叠加
• 问句句尾加 (emm)
• 感叹句插 (laughs) 或 (sighs)
• 句号前无自然停顿时加 (breath)
• 长叙述每隔 20-30 字符插一次 (breath) 或 <#0.3#>

示例：

text

模型生成文本：好的，那我们出发吧。
应生成：好的<#0.3#>，那我们出发吧(laughs)。

模型生成文本：等等，让我想想，这个怎么做来着？
应生成：等等<#0.3#>，让我想想(emm)<#0.4#>，这个怎么做来着？

模型生成文本：唉，今天真是太累了。
应生成：唉(sighs)，今天真是太累了(breath)。

---

链路降级#

text

MiniMax T2A (mp3) → ffmpeg → opus  [优先]
    ↓ 超时/无 key
Edge TTS (ogg 直出)                  [降级]
    ↓ 失败
返回纯文字（不走语音）

---

环境变量#

变量必填说明MINIMAX_API_KEY否有则优先 MiniMax；无则 Edge TTSEDGE_TTS_VOICE否Edge TTS 音色，默认 zh-CN-XiaoxiaoNeural

---

快速参考#

text

# 生成语音并发送
python scripts/reply.py "<文字>"  →  输出文件路径  →  message(media=路径, contentType="audio/opus")